通过引入腐蚀图像的非马尔科夫过程，将生成过程转化为隐式图像到图像的 Schr"odinger Bridge 过程，提出了一个改进的 I3SB 方法，该方法能够使用少量的生成步骤生成具有更好纹理恢复的图像，并在 CT 超分辨率和去噪任务中验证了其性能优于现有方法，包括条件去噪扩散概率模型 (cDDPM) 和 I2SB，从视觉质量和定量指标上凸显了 I3SB 在改进医学图像恢复方面的潜力。

Mar, 2024

通过将高斯噪声逐渐应用于复杂的数据分布，构建了一个确定性的生成模型，对应于具有时间不均匀漂移的倒退随机微分方程，用基于分数匹配的方法估计漂移。本文提出了 Diffusion SB 方法来处理 Schrödinger Bridge 问题，近似了迭代比例拟合过程，DSB 具有广泛的适用性，是流形上 Sinkhorn 算法的连续状态空间概率化推广。

Jun, 2021

基于机器学习的展开研究区域中，基于判别模型和生成模型出现了两种主要方法。我们提出使用 Shroedinger Bridges 和扩散模型创建 SBUnfold，这种展开方法结合了判别模型和生成模型的优势，并在合成的 Z+jets 数据集上展现出非常好的性能。

Aug, 2023

该研究提出一种新的神经参数化方法：非平衡扩散 Schrödinger Bridge（DSBs）。该方法可以模拟当端点是概率分布，且质量未被守恒时，人口的时间演化，并可应用于分析癌症药物的单细胞响应和病毒变异的传播过程。

Jun, 2023

本文介绍了基于去噪扩散模型的生成模型，提出了基于 Schrödinger bridge 的生成建模方法来缩短生成时间，并将其扩展到条件模拟中，用于各种应用，包括图像超分辨率、状态空间模型的最优滤波和预训练网络的优化。

Feb, 2022

本研究介绍了一种新颖的理论简化方法，将扩散薛定谔桥与基于评分的生成模型统一起来，解决了扩散薛定谔桥在复杂数据生成方面的局限性，实现了更快的收敛和更强的性能。通过将基于评分的生成模型作为扩散薛定谔桥的初始解决方案，我们的方法充分发挥了两个框架的优势，确保了更高效的训练过程并提高了基于评分的生成模型的性能。同时，我们还提出了一种重新参数化技术，尽管在理论上存在逼近，但在实践中可以提高网络的适应能力。我们进行了广泛的实验评估，证实了简化扩散薛定谔桥的有效性，并展示了其显著的改进。我们相信本研究的贡献为先进的生成建模铺平了道路。代码可在此 https URL 获取。

Mar, 2024

本文提出了一种新的计算框架，基于正向 - 反向随机微分方程理论，用于似然训练 Schr"odinger Bridge 模型，并展示了该优化原则具有与深度生成模型现代训练技术相适应的适用性，实现了对 MNIST、CelebA 和 CIFAR10 等数据集生成逼真图像的可比较结果。

Oct, 2021

通过在潜空间中利用 Schr {"o} dinger bridge 扩散模型构建新的生成学习方法，本文对当前扩散模型进行了全面的理论分析，包括利用预训练的编码器 - 解码器架构和 Schr {"o} dinger bridge 框架开发了潜空间中的扩散模型，通过控制生成分布和目标分布之间的二阶 Wasserstein 距离，获得了收敛速率，从而为现有的扩散模型提供了稳健的理论支持。

Apr, 2024

通过信息熵插值和薛定谔桥生成学习模型，该方法将评价量（Kullback-Leibler 散度）定义为参考分布与目标分布之间插值的过程，采用深度评分估计器和深度密度比估计器的演算法得到漂移项，该方案具有一定的可靠性和优越性，可用于生成学习领域。

Jun, 2021

提出一种新颖的无需对抗训练的图像分类方法，该方法使用基于去噪扩散概率模型的单张图像转换方法。我们的方法是通过最小化以另一个域为条件的去噪得分匹配目标来训练生成模型以推断图像的联合分布。我们同时更新域翻译模型，并通过基于 Langevin 动力学的去噪马尔科夫链蒙特卡罗方法来生成目标域图像。该方法在几个公共数据集上实现了最先进的 Frechet Inception Distance（FID）性能，包括彩色和多光谱影像，并明显优于当前的对抗图像转换方法。

Apr, 2021